- •1.2. Типы моделей
- •1.3. Типы данных
- •1.4. История
- •1.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •2. Парная регрессия и корреляция. Свойства коэффициентов регрессии и проверка гипотез
- •2.1. Задачи корреляционно-регрессивного анализа
- •Содержательный характер задач корреляционно-регрессивного метода
- •2.2. Вычисление и интерпретация параметров парной линейной корреляции
- •2.3. Статистическая оценка надёжности параметров парной корреляции
- •2.4. Применение парного линейного уравнения регрессии
- •Коэффициент корреляции рангов
- •2.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •3. Множественная регрессия
- •3.1. Формулы для коэффициентов и стандартных ошибок
- •3.2. Множественная регрессия и оценка параметров Кобба-Дугласа
- •3.3. Мультиколлинеарность
- •3.4. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •4. Выбор уравнения
- •4.1. Влияние отсутствия необходимой переменной
- •4.2. Лишняя переменная
- •4.3. Замещающие переменные
- •4.4. Лаговые переменные
- •4.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •5. Фиктивные переменные
- •5.1. Фиктивные и нефиктивные переменные в регрессии
- •5.2. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •6. Гетероскедастичность
- •6.1. Коэффициент ранговой корреляции Спирмена (кркс)
- •6.2. Тест Голдфелда-Куандта
- •6.3. Тест Глейзера
- •6.4. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •7. Автокорреляция
- •7.1. Поправка Прайса–Уинстена
- •7.2. Процедура Кохрана–Оркатта
- •7.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •8. Модели временных рядов
- •8.1. Модели рядов, содержащих сезонную компоненту
- •Ответы к тесту:
- •9. Автоковариационная и автокорреляционная функции, их свойства. Коррелограмма
- •9.1. Спектральная плотность
- •9.2. Спектральный (Фурье) анализ
- •9.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •10. Неслучайная составляющая временного ряда
- •10.1. Проверка гипотезы о неизменности среднего значения временного ряда
- •10.2. Метод экспоненциально взвешенного скользящего среднего (метод Брауна [Brown (1963)])
- •10.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •11. Стационарные временные ряды и их идентификация
- •11.1. Основные понятия
- •11.2 Модели скользящего среднего сс(1) и сс(2). Двойственность. Обратимость. Идентификация
- •11.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •12. Лаговые переменные. Нестационарные временные ряды и их идентификация
- •12.1. Модель авторегрессии-проинтегрированного скользящего среднего (arima(p, k, q)-модель)
- •12.2. Модели рядов, содержащих сезонную компоненту
- •12.3. Полиномиальная лаговая структура Ширли Алмон
- •12.4. Геометрическая лаговая структура Койка
- •12.5. Модель частичного приспособления
- •12.6. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •13. Предсказания
- •13.1 Основные понятия
- •13.2. Доверительные интервалы и интервалы предсказания
- •13.3. Критерий г. Чоу
- •13.4. Коэффициент Тейла
- •13.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •14. Модели в виде систем линейных одновременных уравнений и их идентификация
- •14.1. Основные понятия
- •14.2. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •14.3. Использование эконометрической модели при исследовании зависимости затрат от объёма производства и структуры продукции на примере конкретного предприятия
- •Расчетное задание 1 «Построение уравнений парной регрессии и оценка их значимости»
- •Варианты лабораторных задач Задание
- •Расчетное задание 2. «Построение уравнений линейной множественной регрессии и оценка его значимости» Задача
- •Варианты лабораторных задач
- •Глоссарий
- •Библиографисеский список
- •Оглавление
- •1.1.Модели 3
- •10.1. Проверка гипотезы о неизменности среднего значения временного ряда 88
- •Эконометрика Учебное пособие
6.1. Коэффициент ранговой корреляции Спирмена (кркс)
Иногда нужно установить связь не только между двумя количественными переменными, но между ординальными (порядковыми) переменными – качество жилья, оценки экзамена. Тогда объекты анализа ранжируют по степени выраженности измеряемых переменных. Каждому объекту присваивается № (ранг). Например, объекту с наименьшим проявлением признака – ранг 1, следующему – ранг 2. Если объекты ранжированы по двум признакам, то можно оценить тесноту связи, основываясь на рангах (тесноту ранговой корреляции).
КРКС находится по формуле
где ri, si – ранги i-го объекта по переменным Х и У;
n – число пар наблюдений.
Если ранги всех объектов равны (ri=si, i=1,2,…,n), то p=1. Т.е. при полной прямой связи p=1. При полной обратной связи, когда ранги объектов по двум переменным расположены в обратном порядке, можно показать, что p=-1. Во всех остальных случаях |p|1.
При ранжировании иногда невозможно найти существенные различия между объектами по величине проявления рассматриваемого признака: объекты оказываются связанными. Им приписывают одинаковые средние ранги так, чтобы сумма всех рангов оставалась такой же, как при отсутствии связанных рангов. Например, если 4 объекта оказались равнозначными в отношении рассматриваемого признака и невозможно определить, какие из 4х рангов (4,5,6,7) приписать этим объектам, то каждому приписывается средний ранг, равный (4+5+6+7)/4=5,5. В модификациях формула на связанные ранги вводятся поправки. При проверке значимости p исходят из того, что в случае справедливости нулевой гипотезы об отсутствии корреляционной связи между переменными при n10 статистика имеет t-распределение Стьюдента с (n-2) степенями своды. Поэтому p значим на уровне а при числе степеней свободы (n-2)
Ранговый коэффициент корреляции p может быть использован и для оценки тесноты связи между обычными количественными переменными. Достоинство p здесь – его нахождение не требует нормального распределения переменных, линейной связи между ними. Но нужно учитывать, что при переходе от первоначальных значений переменных к их рангам происходит определенная потеря информации. Чем теснее связь, тем чем меньше корреляционная зависимость между переменными отличается от линейной, тем ближе КРКС p к коэффициенту парной корреляции r.
6.2. Тест Голдфелда-Куандта
Этот тест применяется, как правило, когда есть предположение о прямой зависимости дисперсии ошибки от величины некоторой независимой переменной. Кратко тест можно описать следующим образом:
1) упорядочить данные по убыванию той независимой переменной, относительно которой есть подозрение на гетероскедастичность;
2) исключить d средних (в этом упорядочении) наблюдений ( d должно быть примерно равно четверти общего количества наблюдений);
3) провести две независимые регрессии первых (n/2-d/2) наблюдений и последних (n/2-d/2) наблюдений и построить соответствующие остатки и ;
4) составить статистику F=.
Большая величина этой статистики означает, что гипотезу Н0 следует отвергнуть. Количество исключаемых наблюдений не должно быть ни слишком мало, ни слишком велико. Формально тест работает и без исключения наблюдений, но, как показывает опыт, при этом его мощность уменьшается, аналогично этот тест используется, если есть предположение о межгрупповой гетероскедастичности, когда дисперсия ошибки принимает, например, только два возможных значения.